一种飞机外挂物投放分离运动模拟方法技术

一种飞机外挂物投放分离运动模拟方法，将分离运动时间数据集合并成神经网络的输入数据集，将运动数据集作为神经网络的输出数据集；建立单隐层前馈神经网络模型；经过优化后的单隐层前馈神经网络模型，作为外挂物投放分离运动模型；将投放状态数据集和分离运动时间数据集合并成输入数据集，输入优化后的模型，计算出外挂物分离运动轨迹与姿态，实现外挂物分离过程运动的模拟。该模拟方法能够快速、精确地计算不同投放状态对应的外挂物分离轨迹与姿态，与目前已有的基于计算流体动力学的准定常方法或者可控轨迹测力试验相比分析周期更短，在外挂物投放分离安全性分析中能够有效降低计算周期。降低计算周期。降低计算周期。

【技术实现步骤摘要】
一种飞机外挂物投放分离运动模拟方法


[0001]本专利技术涉及物体运动模拟方法，具体地，涉及一种飞机外挂物投放分离运动模拟方法。

技术介绍

[0002]飞机外挂物的分离过程不仅决定了外挂物能否实现预期任务功能，还对载机的飞行安全具有重要影响。在外挂物投放分离过程中，外挂物受到的流场气动力是决定其分离运动的重要因素。由于在分离初始阶段外挂物与载机距离较近，二者流场存在强烈的相互干扰，干扰强度与二者之间的空间位置相关，因此外挂物的投放分离运动是一个复杂的耦合过程。对于某一特定的外挂物，影响其分离过程的因素主要是载机的飞行状态如飞行马赫数、高度、迎角、侧滑角等。目前已公开的技术文献中，主要采用三种方法研究投放状态对外挂物分离过程的影响：数值模拟、风洞测试、飞行试验。
[0003]飞行试验和风洞测试方法能够相对准确地获取外挂物分离运动数据。但是在外挂物投放分离安全性分析研究中，需要对投放包线内尽可能多的状态点进行运动分析，判断外挂物的分离运动安全性。如果对这些投放状态的研究全部采用飞行试验和风洞测试的方法，存在研究周期长、研究经费高等不足。由于数值模拟方法具有研究周期短、成本相对低等优点，是目前广泛采用的投放分离运动研究方法。目前常用的数值模拟方法为基于计算流体动力学的准定常方法。该方法假定分离过程中外挂物处于定常流场中，计算定常流场中外挂物受到的气动力，然后求解外挂物的六自由度运动方程，根据运动方程计算结果更新外挂物下一时刻的空间位置，然后更新外挂物对应的流场，重新计算外挂物的气动力。通过这种准定常方法计算出分离时间内外挂物的运动过程。该方法可以较为准确地计算出外挂物的分离运动轨迹与姿态，但是计算非常耗时。如果对飞机飞行包线内各个状态点进行计算分析，其时间成本是无法接受的。因此需要一种能够根据投放状态快速计算分离运动过程的模拟方法。目前神经网络在数据拟合、非线性建模等领域已经广泛应用，但是根据目前已经公开的技术文献资料显示，在外挂物投放分离运动模拟领域，尚未有相关应用。如果将其应用于外挂物分离运动模拟，有望提高分离运动模拟的计算效率，降低投放分离安全性分析的研究成本。

技术实现思路

[0004]针对现有技术中的不足，本专利技术的目的是提供一种飞机外挂物投放分离运动模拟方法。
[0005]为了达到上述目的，本专利技术采用如下技术方案：
[0006]一种飞机外挂物投放分离运动模拟方法，具体步骤包括：
[0007]步骤1：在飞机的飞行包线内选择若干组投放状态,形成投放状态数据集；
[0008]步骤2：设置外挂物投放初始状态，将外挂物分离运动时间离散成若干个序列点，形成分离运动时间数据集，获取外挂物分离过程中，外挂物在各个时间序列点的运动轨迹
与姿态，外挂物质心的六自由度位移量形成运动数据集；
[0009]步骤3：将步骤1)的投放状态数据集和步骤2)的分离运动时间数据集合并成神经网络的输入数据集，将步骤2)的运动数据集作为神经网络的输出数据集；
[0010]步骤4：建立单隐层前馈神经网络模型，并采用步骤3)的输入数据集和输出数据集作为单隐层前馈神经网络模型的训练数据；
[0011]步骤5：对步骤4)的单隐层前馈神经网络模型进行迭代优化，通过优化模型的权重和偏差，降低模型的拟合均方根误差，直至达到迭代次数或拟合均方根误差小于10
‑6；
[0012]步骤6：经过步骤5)优化后的单隐层前馈神经网络模型，作为外挂物投放分离运动模型；
[0013]步骤7：将投放状态数据集和分离运动时间数据集合并成输入数据集，输入步骤6)得到的单隐层前馈神经网络模型，计算出外挂物分离运动轨迹与姿态，实现外挂物分离过程运动的模拟。
[0014]优选的，步骤1中投放状态数据集包括载机的马赫数、高度、迎角和侧滑角。
[0015]优选的，步骤1中选择的投放状态数据集应在载机飞行包线内均匀分布。
[0016]优选的，步骤2中，采用准定常计算流体动力学方法计算或者可控轨迹测力试验，获取外挂物分离过程中，外挂物在各个时间序列点的运动轨迹与姿态。
[0017]优选的，步骤3中投放状态数据集和分离运动时间数据集合并成的输入数据集形式如公式(1)所示：
[0018][0019]式中：Ma、H、α、β分别为投放状态数据集对应的载机马赫数、高度、迎角、侧滑角，下角标m代表投放状态序号，t为分离运动时间数据集，下角标n代表时间序列号，下角标l代表投放状态总数与时间序列号总数的乘积，输出数据集形式如公式(2)所示：
[0020][0021]式中：x、y、z、Φ、Θ、Ψ分别为分离运动中外挂物的位置和姿态角，下角标m代表投放状态序号，下角标n代表时间序列号，下角标l代表投放状态总数与时间序列号总数的乘积。
[0022]优选的，步骤4中建立单隐层前馈神经网络模型时，神经网络的输入层节点数为5，隐含层为单层，隐含层节点数为12～16，输出层节点数为6，以公式(1)中X的行向量作为神经网络的输入，以公式(2)中的行向量Y作为输出。
[0023]该模拟方法通过前馈神经网络学习投放状态和分离运动之间的映射关系，训练完成的模型可以基于投放状态快速计算外挂物的分离轨迹与姿态。与目前的基于计算流体动力学的准定常计算方法相比，本专利技术的模拟方法及运动模型具有计算速度快、拟合精度高的特点。
附图说明
[0024]图1为分离运动模拟方法流程示意图。图2为该方法计算分离运动轨迹与实际值对比，图中实线为实际值，散点为模型计算值。图3为模型预测分离运动姿态与实际值对比，图中实线为实际值，散点为模型计算值。
具体实施方式
[0025]根据本专利技术提供的一种飞机外挂物投放分离运动模拟方法，模拟流程如图1所示。步骤包括：
[0026]步骤1：在载机的飞行包线内均匀选择120组马赫数、高度、迎角、侧滑角等组成的投放状态数据集；
[0027]步骤2：设置外挂物投放初始位置与姿态均为0，选择投放后1s内的分离运动过程进行模拟，将分离运动时间均匀离散成20个时间步，形成分离运动时间数据集，然后采用基于计算流体动力学的准定常方法计算外挂物分离过程中，在各个时间序列点的运动轨迹与姿态，外挂物质心的6自由度位移量形成运动数据集；；
[0028]步骤3：将投放状态数据集、分离运动时间数据集和运动数据集整理成如公式(1)、(2)所示形式：
[0029][0030][0031]步骤4：建立单隐层前馈神经网络模型，将数据集X的行向量作为神经网络的训练输入，数据集Y的行向量作为神经网络的训练输出，隐含层节点数为15，输入层节点数5，输出层节点数6；
[0032]步骤5：对步骤4的单隐层前馈神经网络模型进行迭代优化，通过优化模型的权重和偏差，降低模型的拟合均方根误差，直至达到迭代次数200或拟合均方根误差小于10
‑6；
[0033]步骤6：经过步骤5优化后的单隐层前馈神经网络模型，作为外挂物投放分离运动模型；
[0034]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种飞机外挂物投放分离运动模拟方法，其特征在于包含以下内容：1)在飞机的飞行包线内选择若干组投放状态,形成投放状态数据集；2)设置外挂物投放初始状态，将外挂物分离运动时间离散成若干个序列点，形成分离运动时间数据集，获取外挂物分离过程中，外挂物在各个时间序列点的运动轨迹与姿态，外挂物质心的六自由度位移量形成运动数据集；3)将步骤1)的投放状态数据集和步骤2)的分离运动时间数据集合并成神经网络的输入数据集，将步骤2)的运动数据集作为神经网络的输出数据集；4)建立单隐层前馈神经网络模型，并采用步骤3)的输入数据集和输出数据集作为单隐层前馈神经网络模型的训练数据；5)对步骤4)的单隐层前馈神经网络模型进行迭代优化，通过优化模型的权重和偏差，降低模型的拟合均方根误差，直至达到迭代次数或拟合均方根误差小于10
‑6；6)经过步骤5)优化后的单隐层前馈神经网络模型，作为外挂物投放分离运动模型；7)将投放状态数据集和分离运动时间数据集合并成输入数据集，输入步骤6)得到的单隐层前馈神经网络模型，计算出外挂物分离运动轨迹与姿态，实现外挂物分离过程运动的模拟。2.根据权利要求1所述的飞机外挂物投放分离运动模拟方法，其特征在于，所述步骤1)中投放状态数据集包括载机的马赫数、高度、迎角和侧滑角。3.根据权利要求1所述的飞机外挂物投放分离...

【专利技术属性】
技术研发人员：宋居正，刘思位，吴云山，
申请(专利权)人：中航西安飞机工业集团股份有限公司，
类型：发明
国别省市：